Detekcija namere
Brza definicija
Detekcija namere je zadatak identifikacije šta osoba želi da postigne iz onoga što piše ili govori, tako da sistem može da odgovori ili prosledi zahtev. Tipične namere su praćenje narudžbine, traženje povraćaja ili postavljanje pitanja o proizvodu.
Na ovoj stranici
Kako funkcioniše detekcija namere
Klasični chatboti su se oslanjali na klasifikator namere obučen na primerima fraza za svaku nameru: "gde je moja pošiljka", "moja narudžbina nije stigla" i "broj za praćenje?" svi označeni kao track_order. Ekstraktor slotova je zatim izdvojio detalje kao što je broj narudžbine. Istraživački skupovi podataka kao što je BANKING77 (Casanueva i saradnici, 2020), sa 77 finih bankarskih namera, pokazuju koliko su teške fine distinkcije čak i za dobre modele.
Sa velikim jezičkim modelima, detekcija namere je često implicitna. Model čita poruku, odlučuje šta osoba želi i bira koji alat da pozove. Neki timovi i dalje zadržavaju eksplicitni korak klasifikacije da usmere razgovore, označe ih za izveštavanje ili pokrenu specifične radne tokove.
Zašto je to važno u korisničkoj službi
Poznavanje namere odlučuje šta se dešava sledeće: odgovor iz FAQ-a, proveriti narudžbinu, otvoriti povrat, poslati razgovor na naplatu, ili odmah pozvati osobu zbog pritužbe. Agregirano preko hiljada razgovora, namere takođe govore preduzeću o čemu kupci zaista kontaktiraju — ulaz za poboljšanje stranica, politika i proizvoda.
U e-trgovini najčešće namere obično su status narudžbine, vreme isporuke, povrati i zamene, pitanja o proizvodima i problemi sa plaćanjem.
Uobičajene zamke
Prave poruke često sadrže nekoliko namera ("gde je moja narudžbina, i mogu li promeniti veličinu?"). Fiksne liste namera brzo zastare dok se proizvodi i politike menjaju, a dugačak rep retkih zahteva nikada ne odgovara nijednoj oznaci. Pragovi poverenja koji su previše niski šalju kupce na pogrešan put; pragovi koji su previše visoki eskaliraju sve. Sistemi bi trebali omogućiti rezervnu opciju — postaviti pojašnjavajuće pitanje ili predati — umesto da forsiraju pretpostavku.
Rukovanje namerama u AI SmartTalk
AI SmartTalk ne traži od vas da definišete listu namera. Jezički model asistenta tumači svaku poruku i bira između svojih alata — pretraga znanja, pretraga proizvoda, praćenje narudžbina, zakazivanje termina, preusmeravanje. Za usmeravanje i izveštavanje, razgovori mogu biti označeni, a SmartFlow radni tokovi mogu se granati sa AI uslovom na osnovu onoga što je kupac rekao. Pitanja na koja asistent nije mogao da odgovori su navedena kako bi tim mogao da popuni praznine.
Često postavljana pitanja
Koja je razlika između namere i entiteta?
Namera je ono što osoba želi (pratiti narudžbinu); entiteti su detalji potrebni za to (broj narudžbine, adresa e-pošte).
Da li asistenti zasnovani na LLM još uvek trebaju klasifikaciju namera?
Ne, da bi odgovorili, jer model direktno tumači zahtev. Eksplicitna klasifikacija ostaje korisna za usmeravanje, analitiku i pokretanje fiksnih procesa.
Koliko namera bi trebao imati bot za podršku?
Sa klasičnim klasifikatorom, počnite sa desetak namera koje pokrivaju većinu obima i dodajte više kako podaci pokazuju. Sa LLM agentom, fokusirajte se umesto toga na alate i znanje koje svaka česta namera zahteva.